[發明專利]一種用于電力系統短期負荷的預測方法

有效

• 申請號: 201810253491.9
• 申請日: 2018-03-26
• 公開（公告）號: CN108256697B
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 武鑫;黃琦;鄧帶雨;李堅;胡維昊;張真源;李晨;井實;易建波;王妮;楊云聰
• 申請（專利權）人: 電子科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種用于電力系統短期負荷的預測方法，其特征在于，包括以下步驟：

(1)、從智能電表端提取用戶側負荷數據；

(1.1)、從各個智能電表端采集每個用戶的用電負荷數據；

(1.2)、將每個用戶的用電負荷數據進行疊加，得到發電側的區域負荷數據；

(1.3)、對區域負荷數據進行層次聚類，得到N類負荷數據，再以層次聚類得到的類別數N為基準，進行K均值聚類，得到代表用戶側負荷的N類用電負荷數據；

(2)、利用集合經驗模態分解算法EEMD對每一類用電負荷數據進行分解；

(2.1)、從N類用電負荷數據中隨機抽取一類用電負荷數據作為測試數據，并在測試數據中加入白噪聲，標記為s(n)；

(2.2)、對s(n)進行EMD分解，計算出若干本征模函數IMF分量；

(2.2.1)、找出s(n)的所有極值點，再使用三次樣條插值函數分別求出上下包絡曲線e_max(n)和e_min(n)，然后計算其均值m(n)；

(2.2.2)、計算s(n)與m(n)的差值d(n)；

d(n)＝s(n)-m(n)

(2.2.3)、設置篩分門限閾值利用d(n)計算本次分解時的篩分門限值SD；

其中，n＝0,1,…,M，M表示該類用電負荷數據的序列長度；i＝1,2,…,k表示第i次篩分，k表示篩分總次數，當i＝1時，d₀(n)等于s(n)；

若SD小于則令c_j(n)＝d(n)，即得到本次分解后的一個IMF分量c_j(n)，j＝1,2,…,h，h表示IMF分量總個數，一次完整的篩分過程結束，跳轉到步驟(2.2.4)；否則以d(n)作為輸入信號，即d(n)＝s(n)，再返回步驟(2.2.1)進行下一輪的篩分，直到經過多輪篩分后滿足SD小于

(2.2.4)、令s(n)＝s(n)-c_j(n)，判斷s(n)是否滿足繼續分解的條件，如果不滿足分解條件，則令殘余r(n)＝s(n)，且本次分解結束，得到本次分解后的一組IMF分量c_j(n)及殘余r(n)；否則，以所得到的s(n)返回步驟(2.2.1)繼續下一輪分解，從而計算出下一個IMF分量c_j+1(n)，然后依次類推，最終將原信號s(n)分解為了h個本征模函數IMF分量[c₁(n),c₂(n),…,c_h(n)]以及殘余r(n)；

(2.3)、將步驟(2.1)中抽取的測試數據按照步驟(2.1)和(2.2)所述方法重復P次，且每次添加不同的白噪聲；

(2.4)、將P次分別得到的IMF分量求均值，得到IMF均值集合，即得到h個頻率從高到低不等的頻率負荷分量；

(3)、在IMF均值集合中，將前τ個頻率負荷分量劃分為中高頻負荷分量，剩余h-τ個頻率負荷分量劃分為低頻負荷分量；

(4)、利用多元線性回歸MLR模型和長短期記憶神經網絡LSTM模型進行負荷預測；

(4.1)、利用MLR模型對低頻負荷分量進行預測；

(4.1.1)、利用滑動窗口按照相等步長對低頻負荷分量進行滑動，建立起不同時刻下的若干長度一定的子序列；

(4.1.2)、建立MLR模型表達式：

Y＝X×β+μ

展開表示為：

其中，y_i表示電力負荷值；x_ij表示影響負荷的因素；β₀表示常數項，β_i表示回歸系數，i＝1,2...,n；μ_i表示隨機擾動；

(4.1.3)、采用最小二乘法估計回歸系數；

(4.1.4)、將回歸系數代入MLR模型中得到標準的MLR模型，再將當前時刻的子序列代入到MLR模型中估計出下一刻的負荷值，然后將所得負荷預測值添加到當前時刻子序列中，重新帶入到模型，繼續向下一時刻預測，這樣重復Q次后，得到長度為Q的負荷預測值序列；

(4.2)、利用LSTM模型對中高頻負荷分量進行預測；

(4.2.1)、利用滑動窗口按照相等步長對中高頻負荷分量進行滑動，建立起不同時刻下的若干長度一定的子序列；

(4.2.2)、將子序列作為LSTM模型的輸入，前向計算出LSTM模型中每個神經元的狀態參數與輸出值；

(4.2.3)、通過均方誤差公式反向計算出LSTM模型中每個神經元的誤差項MSE；

其中，P_real表示t時刻負荷真實值，P_predict(t)表示t時刻LSTM輸出值，n表示數據長度；

(4.2.4)、以誤差項MSE為目標函數，使用Adam優化算法調整每個神經元的權重，優化誤差項，然后再返回步驟(4.2.2)，直到誤差項MSE不再減小時結束，得到標準的LSTM模型；

(4.2.5)、將當前時刻的子序列代入到LSTM模型中估計出下一刻的負荷值，然后將所得負荷預測值添加到當前時刻子序列中，重新帶入模型，繼續向下一時刻預測，這樣重復Q次后，得到長度為Q的負荷預測值序列；

(4.3)、將MLR模型所得預測結果與LSTM模型所得預測結果相疊加，得到完整預測結果；

(5)、當該一類用電負荷數據得到完整預測結果后，按照步驟(2)-(4)所述方法繼續預測剩余N-1類用電負荷數據，最終得到電力系統短期負荷預測結果。

2.根據權利要求1所述的一種用于電力系統短期負荷的預測方法，其特征在于，所述(2.2.4)中，當s(n)＝s(n)-c_j(n)時，判斷s(n)是否滿足繼續分解的條件為：s(n)為單調函數，或者s(n)或c_j(n)小于等于給定的閾值。